Hvordan fungerer auto scaling i AWS?

Question

Accepted Answer

**Auto Scaling** justerer automatisk antallet af kørende ressourcer (f.eks. EC2-instanser) baseret på efterspørgsel — tilføjer kapacitet når belastningen stiger og fjerner den når belastningen falder. Det er nøglen til at bygge applikationer, der er både **pålidelige** (håndtere trafikspidser) og **cost-effektive** (ikke over-provision).

## Hvad auto scaling gør

```text
Auto Scaling adjusts capacity AUTOMATICALLY based on demand:
  → load INCREASES (traffic spike) → add instances (scale OUT) → handle the load
  → load DECREASES → remove instances (scale IN) → save money
→ Match capacity to demand automatically: reliable under load, cheap when idle.
```

## EC2 Auto Scaling Groups (ASG)

```text
An AUTO SCALING GROUP manages a fleet of EC2 instances:
  MIN / MAX / DESIRED capacity → bounds and target number of instances
  LAUNCH TEMPLATE → how to launch new instances (AMI, type, config)
  SCALING POLICIES → rules for when to scale (see below)
  HEALTH CHECKS → replace unhealthy instances automatically (self-healing!)
  → typically spread across multiple AZs (high availability)
```

## Skalerings politikker (hvornår skal man skalere)

```text
TARGET TRACKING → keep a metric at a target (e.g. "keep average CPU at 50%") — simplest
STEP / SIMPLE SCALING → add/remove N instances when a metric crosses a threshold
SCHEDULED → scale at known times (e.g. more capacity during business hours)
PREDICTIVE → ML-based, anticipating load
→ Usually based on CloudWatch metrics (CPU, request count, custom metrics).
```

## Hvorfor det betyder noget

```text
✓ RELIABILITY — handle traffic spikes automatically (no manual intervention, no overload)
✓ COST-EFFICIENCY — scale IN during low demand → don't pay for idle capacity
✓ SELF-HEALING — auto-replace failed instances (combined with health checks)
✓ Pairs with a LOAD BALANCER (distributes traffic across the scaled instances)
```

## Hvorfor det betyder noget

At forstå auto scaling er værdifuldt for at bygge applikationer, der er både pålidelige og cost-effektive, så det er vigtig praktisk AWS-viden.

Auto scaling løser en fundamental cloud-udfordring: matching af kapacitet til **variabel efterspørgsel** automatisk — **tilføjelse af instanser når belastningen stiger** (håndtering af trafikspidser uden manuel intervention eller overbelastning, sikring af påliderlighed) og **fjernelse af dem når belastningen falder** (undgåelse af at betale for ledig kapacitet, sikring af cost-effektivitet).

Denne dobbelte fordel (påliderlighed under belastning + omkostningsbesparelser når ledige) er central for at udnytte cloudens elasticitet og er langt bedre end statisk at provision for spidsbelastning (spilds) eller for gennemsnitlig belastning (fejler under spidser).

Forståelse af **Auto Scaling Groups** (styring af en flåde af EC2-instanser med min/max/ønsket kapacitet, launch templates og sundhedstjek, der automatisk erstatter usunde instanser for **self-healing**) og hvordan de typisk spredes på tværs af **flere AZs** (kombinering af skalering med høj tilgængelighed) er kernepraktisk viden.

Forståelse af **skalerings politikker** (target tracking for at vedligeholde en metrik som CPU på et målniveau — det simpleste og mest almindelige; step scaling på tærskler; planlagt skalering for kendt mønstre; forudsigelig skalering) baseret på CloudWatch-metrics er nødvendig for at konfigurere skalering passende.

Viden om at auto scaling **parres med en load balancer** (som distribuerer trafik på tværs af de dynamisk-skiftende instanser) fuldfører billedet af en skalerbar, modstandsdygtig arkitektur.

Siden håndtering af variabel efterspørgsel pålideligt og cost-effektivt er en kernekloud-krav, og siden auto scaling (med scaling groups, politikker, sundhedstjek og load balancing) er mekanismen der opnår det, er forståelse af auto scaling værdifuld, praktisk-vigtig AWS-viden for at bygge applikationer, der skalerer med efterspørgsel — en grundlæggende mulighed for pålidelig, cost-effektiv cloud-arkitektur og et centralt emne for design af systemer, der håndterer real-world variabel trafik.